CN117952321A - 基于土地工程的土壤侵蚀智能监测预警方法及系统 - Google Patents
基于土地工程的土壤侵蚀智能监测预警方法及系统 Download PDFInfo
- Publication number
- CN117952321A CN117952321A CN202410294608.3A CN202410294608A CN117952321A CN 117952321 A CN117952321 A CN 117952321A CN 202410294608 A CN202410294608 A CN 202410294608A CN 117952321 A CN117952321 A CN 117952321A
- Authority
- CN
- China
- Prior art keywords
- erosion
- soil
- resource
- soil erosion
- engineering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004162 soil erosion Methods 0.000 title claims abstract description 175
- 238000012544 monitoring process Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000003628 erosive effect Effects 0.000 claims abstract description 90
- 239000002689 soil Substances 0.000 claims abstract description 59
- 238000013210 evaluation model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims description 46
- 239000002699 waste material Substances 0.000 claims description 38
- 230000000007 visual effect Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003090 exacerbative effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- -1 electric power Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Processing Of Solid Wastes (AREA)
Abstract
本申请提供了基于土地工程的土壤侵蚀智能监测预警方法及系统,涉及土地监测技术领域,该方法包括:获取土地工程的工程设备构件,采集各个工程设备的资源监测指标样本,获取土地工程的项目预设土地区域并进行土壤数据监测,根据土壤侵蚀模型得到侵蚀特征样本集,然后训练土壤侵蚀强度评估模型,最后进行侵蚀预警。通过本申请可以解决现有技术缺乏能够有效识别不同工程设备和资源消耗模式对土壤侵蚀强度影响的方法,导致无法及时发现土壤侵蚀风险较高的区域和设备,进而加剧了土地侵蚀问题,实现了对土地工程对土壤侵蚀风险的科学评估和管理。
Description
技术领域
本申请涉及土地监测技术领域,尤其涉及基于土地工程的土壤侵蚀智能监测预警方法及系统。
背景技术
随着全球气候变暖、极端天气事件频发,土壤侵蚀问题愈发严重。土壤侵蚀不仅导致土地退化,还影响水资源、生态系统和生物多样性。农业、林业、矿业、城市建设等人类活动对土壤资源造成了严重破坏。不合理的土地利用方式和缺乏保护的农业实践加剧了土壤侵蚀。
目前,传统的土壤侵蚀监测方法,如人工测量、定点观测等,存在耗时、费力、效率低等问题,难以满足大范围、实时监测的需求。
综上所述,现有技术缺乏能够有效识别不同工程设备和资源消耗模式对土壤侵蚀强度影响的方法,导致无法及时发现土壤侵蚀风险较高的区域和设备,进而加剧了土地侵蚀问题,对土地资源造成了更大的破坏。
发明内容
本申请的目的是提供基于土地工程的土壤侵蚀智能监测预警方法及系统,用以解决现有技术缺乏能够有效识别不同工程设备和资源消耗模式对土壤侵蚀强度影响的方法,导致无法及时发现土壤侵蚀风险较高的区域和设备。
鉴于上述问题,本申请提供了基于土地工程的土壤侵蚀智能监测预警方法及系统。
第一方面,本申请提供了基于土地工程的土壤侵蚀智能监测预警方法,所述方法通过基于土地工程的土壤侵蚀智能监测预警系统实现,其中,所述方法包括:获取土地工程的工程设备构件;根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。
第二方面,本申请还提供了基于土地工程的土壤侵蚀智能监测预警系统,用于执行如第一方面所述的基于土地工程的土壤侵蚀智能监测预警方法,其中,所述系统包括:设备构件获取模块,所述设备构件获取模块用于获取土地工程的工程设备构件;指标样本采集模块,所述指标样本采集模块用于根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;特征样本集获取模块,所述特征样本集获取模块用于获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;侵蚀预警模块,所述侵蚀预警模块用于根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过获取土地工程的工程设备构件;根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。实现了对土地工程对土壤侵蚀风险的科学评估和管理。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请基于土地工程的土壤侵蚀智能监测预警方法的流程示意图;
图2为本申请基于土地工程的土壤侵蚀智能监测预警系统的结构示意图。
附图标记说明:
设备构件获取模块11,指标样本采集模块12,特征样本集获取模块13,侵蚀预警模块14。
具体实施方式
本申请通过提供基于土地工程的土壤侵蚀智能监测预警方法及系统,解决了现有技术缺乏能够有效识别不同工程设备和资源消耗模式对土壤侵蚀强度影响的方法,导致无法及时发现土壤侵蚀风险较高的区域和设备,进而加剧了土地侵蚀问题,实现了对土地工程对土壤侵蚀风险的科学评估和管理。
下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
实施例一:请参阅附图1,本申请提供了基于土地工程的土壤侵蚀智能监测预警方法,其中,所述方法应用于基于土地工程的土壤侵蚀智能监测预警系统,所述方法具体包括如下步骤:
步骤一:获取土地工程的工程设备构件;
具体而言,工程设备构件包括但不限于挖掘机、推土机、灌溉设备等。针对每个设备,分析其工作原理、主要操作模式、资源消耗类型等特性。例如,对于挖掘机,了解它的挖掘方式、挖掘深度、挖掘速度等操作模式,以及它消耗的主要资源类型如燃油、消耗量和资源弃料转化率如废弃挖掘土的再利用情况。
步骤二:根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;
具体而言,在设备上加装传感器和监测装置,如油耗监测器、工作时长计等,以便实时采集数据,耗费资源类型样本为每个工程设备在运行过程中可能消耗的资源类型,如燃料、电力、水、润滑油等。对于每种设备,记录其在实际运行过程中所使用的资源类型。将收集到的数据按照设备类型和资源类型进行分类整理,形成耗费资源类型样本。耗费资源量样本,对于每种资源,基于设备的功率、运行时间、负载等因素计算其在设备运行过程中的消耗量。通过传感器或人工记录等方式,收集每种设备在运行过程中实际消耗的资源量数据。对收集到的数据进行分析处理,如计算平均值、最大值、最小值等,以反映设备在不同条件下的资源消耗情况。资源弃料转化率样本,资源弃料转化率是指工程设备在运行过程中产生的废弃物与原始资源投入量的比例。这反映了设备的资源利用效率。收集每种设备在运行过程中产生的废弃物量数据,以及对应的原始资源投入量数据。根据收集到的数据,计算每种设备的资源弃料转化率。这可以通过将废弃物量与原始资源投入量相除并乘以100%来得到。
步骤三:获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;
具体而言,收集土地工程所属项目的相关资料,包括项目规划、设计文件、地理位置信息等。基于项目资料,确定需要进行土壤数据监测的预设土地区域。包括对土地利用类型、地形地貌、气候等因素的综合分析。在预设土地区域内布置土壤监测点,确保监测点分布均匀且能代表整个区域的土壤特性。使用土壤采样器、土壤水分计、土壤张力计等设备,定期采集监测点的土壤数据,包括土壤类型、含水量、pH值、有机质含量等。对采集到的土壤数据进行处理和分析,提取出与土壤侵蚀相关的关键指标。基于土壤数据监测结果和有限元仿真技术,建立土壤侵蚀模型。模型应能够模拟土壤侵蚀的过程,并考虑到土壤类型、降雨、地形等因素的影响。通过与实际观测数据进行对比,验证模型的准确性和可靠性。如有需要,对模型进行调整和优化。将之前采集的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本进行整合,形成一套完整的资源监测数据集。将资源监测数据集输入到土壤侵蚀模型中,分析不同资源消耗类型和资源量对土壤侵蚀的影响。同时,考虑资源弃料转化率对土壤侵蚀的潜在影响。通过分析模型输出结果,提取出与土壤侵蚀相关的特征参数,如侵蚀速率、侵蚀深度、侵蚀形态等。将提取的特征参数整理成土壤侵蚀特征样本集,为后续的研究和应用提供基础数据。
步骤四:根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。
具体而言,将耗费资源类型样本、耗费资源量样本、资源弃料转化率样本以及土壤侵蚀特征集整合到一个数据集中。确保每个样本都有对应的土壤侵蚀强度标识信息。对数据进行清洗、去重、标准化等预处理操作,以确保数据的质量和一致性。从数据集中选择对土壤侵蚀强度有影响的特征,如资源消耗类型、资源消耗量、资源弃料转化率等。根据选择的特征,从数据集中提取相应的数值,形成特征矩阵。选择机器学习算法来构建设备-土壤侵蚀强度评估模型。可以为线性回归、决策树、随机森林、支持向量机等。使用选定的算法构建设备-土壤侵蚀强度评估模型。使用带有土壤侵蚀强度标识信息的数据集来训练模型。通过不断调整模型的参数,使模型能够更好地拟合数据。使用验证集或交叉验证等方法来评估模型的性能。确保模型具有良好的预测能力和泛化能力。根据实际需求,设定土壤侵蚀强度的阈值。当模型预测的土壤侵蚀强度超过该阈值时,触发预警。将训练好的设备-土壤侵蚀强度评估模型集成到预警系统中。当接收到新的资源监测数据时,模型会实时计算土壤侵蚀强度,并根据阈值判断是否发出预警。
进一步,本申请还包括:
获取所述工程设备构件在所述预设土地区域的分布信息;
调用所述设备-土壤侵蚀强度评估模型对所述工程设备构件中的各个设备进行评估,得到各个工程设备的侵蚀强度算子;
按照所述分布信息对各个工程设备的侵蚀强度算子进行可视化标识,输出可视化标识结果。
具体而言,收集每个工程设备构件在预设土地区域内的具体位置信息,这可以通过地理信息系统GIS数据、设备定位系统获取。将收集到的位置信息整合到一个统一的坐标系中,形成设备分布数据集。加载之前训练好的设备-土壤侵蚀强度评估模型。将每个工程设备构件的相关数据如资源消耗类型、资源消耗量、资源弃料转化率等输入到模型中。利用模型对每个设备进行评估,得到其对应的侵蚀强度算子。这些算子可以是数值、等级或其他形式的量化指标。根据需求选择合适的可视化工具或平台,如地理信息系统软件、数据可视化库如Matplotlib、Seaborn、Plotly等或自定义的图形界面。将每个工程设备构件的位置信息和侵蚀强度算子映射到可视化工具中。例如,可以使用颜色编码、大小变化、动画效果等方式来展示不同设备的侵蚀强度。生成可视化标识结果,可能包括地图、图表、仪表板等多种形式,以便直观地展示各个工程设备在预设土地区域的侵蚀强度分布情况。
进一步,本申请还包括:
通过对所述可视化标识结果进行散度分析,获取所述可视化标识结果的散度指标;
当所述散度指标大于等于预设散度指标,融合K个侵蚀强度算子,将所述K个侵蚀强度算子进行权重融合计算,输出融合侵蚀强度算子,其中,K为大于等于2的正整数;
将所述融合侵蚀强度算子作为所述土地工程的土壤侵蚀评估结果进行输出。
具体而言,使用统计方法或空间分析技术对可视化标识结果进行散度分析。例如,可以计算标准差、变异系数或空间自相关等指标来衡量侵蚀强度在空间上的离散程度。将计算出的散度指标与预设的散度指标进行比较。如果当前散度指标大于或等于预设散度指标,说明侵蚀强度在空间分布上较为离散,需要进一步分析。根据具体情况,选择适当的融合方法。例如,可以使用加权平均、主成分分析PCA、模糊逻辑等方法来融合多个侵蚀强度算子。为每个侵蚀强度算子分配适当的权重,这可以基于历史数据设置。根据选择的融合方法和权重,对K个侵蚀强度算子进行融合计算,得到融合侵蚀强度算子。将融合侵蚀强度算子作为土地工程的土壤侵蚀评估结果进行输出。这可以是数值、图表、报告或其他形式的信息。
进一步,本申请还包括:
当所述散度指标小于所述预设散度指标,对所述可视化标识结果进行聚类,直至当前散度指标大于等于所述预设散度指标,输出N个聚类结果;
对所述N个聚类结果中的每一类聚类结果进行融合,获取N个候选侵蚀强度算子;
筛选所述N个候选侵蚀强度算子中大于预设侵蚀强度算子的M个聚类结果;
根据所述M个聚类结果设置M个侵蚀惩罚因子,利用M个惩罚因子对所述融合侵蚀强度算子进行惩罚优化。
具体而言,根据数据的特性和需求,选择合适的聚类算法,如K-means聚类、层次聚类、DBSCAN等。应用选定的聚类算法对可视化标识结果进行聚类,直到当前散度指标达到或超过预设散度指标。得到N个聚类结果,每个聚类代表一个具有相似侵蚀强度的区域。对于每个聚类,计算其内部侵蚀强度算子的平均值、中位数或其他统计量,作为该聚类的代表侵蚀强度,从而得到N个候选侵蚀强度算子。设定一个预设侵蚀强度算子作为筛选标准。例如可以设定每年土壤侵蚀深度不超过5厘米作为筛选标准。从N个候选侵蚀强度算子中筛选出大于预设侵蚀强度算子的M个聚类结果。为每个筛选出的聚类结果设置相应的侵蚀惩罚因子。这些因子可以根据侵蚀强度的严重程度、历史数据等因素来确定。利用设置的M个侵蚀惩罚因子对融合侵蚀强度算子进行惩罚优化。可以通过将融合侵蚀强度算子与相应的惩罚因子相乘或相加来实现,以强调高侵蚀强度区域的重要性。得到经过惩罚优化后的融合侵蚀强度算子,作为最终的土壤侵蚀评估结果。
进一步,本申请步骤四还包括:
根据所述耗费资源类型样本与侵蚀强度的关联性,建立资源类型-侵蚀强度的关联权重系数;
根据所述耗费资源量样本与侵蚀强度的关联性,建立资源量-侵蚀强度的关联权重系数;
根据所述资源弃料转化率样本与侵蚀强度的关联性,建立转化率-侵蚀强度的关联权重系数;
以所述资源类型-侵蚀强度的关联权重系数、所述资源量-侵蚀强度的关联权重系数和所述转化率-侵蚀强度的关联权重系数,建立权重网络层,基于所述权重网络层训练所述设备-土壤侵蚀强度评估模型。
具体而言,分析耗费资源类型样本与土壤侵蚀强度的数据,确定不同类型的资源对土壤侵蚀的影响程度。使用统计方法如相关性分析、回归分析等量化资源类型与侵蚀强度之间的关联性。根据量化结果,为每个资源类型分配一个关联权重系数,该系数反映了该类型资源对土壤侵蚀强度的相对影响。分析耗费资源量样本与土壤侵蚀强度的数据,探究资源消耗量与土壤侵蚀强度的关系。使用类似的统计方法量化资源量与侵蚀强度之间的关联性。根据量化结果,为不同资源量分配关联权重系数,反映资源消耗量对土壤侵蚀强度的贡献。分析资源弃料转化率样本与土壤侵蚀强度的数据,分析资源利用效率与土壤侵蚀的关系。使用统计方法量化转化率与侵蚀强度之间的关联性。根据量化结果,为不同的转化率分配关联权重系数,体现资源利用效率对土壤侵蚀的影响。将资源类型、资源量和转化率的关联权重系数整合到一个权重网络层中。这个网络层将作为设备-土壤侵蚀强度评估模型的一部分,用于综合考虑多种资源因素对土壤侵蚀强度的影响。基于建立的权重网络层,训练设备-土壤侵蚀强度评估模型。模型的训练过程将利用土壤侵蚀特征集和标识土壤侵蚀强度的标识信息。使用带有土壤侵蚀强度标识信息的数据集对模型进行训练,通过不断调整模型的参数和权重网络层的系数,优化模型的预测性能。
进一步,本申请还包括:
建立核函数隐含网络层;
其中,所述核函数隐含网络层用于将所述土壤侵蚀特征集映射至标识土壤侵蚀强度的特征向量空间中进行特征增强;
根据所述核函数隐含网络层和所述权重网络层,训练所述设备-土壤侵蚀强度评估模型。
具体而言,核函数是一种用于度量数据点之间相似性的函数。在隐含网络层中,核函数用于将输入数据映射到高维特征空间,从而实现特征增强和非线性变换。可以使用的核函数包括但不限于高斯核函数、多项式核函数等。在隐含网络层中,可以设计多层核函数映射,每层使用不同的核函数和参数。这样可以逐层提取和增强土壤侵蚀特征集中的信息。将土壤侵蚀特征集作为输入,通过核函数隐含网络层进行特征映射。映射过程将原始特征映射到标识土壤侵蚀强度的特征向量空间中,实现特征增强和非线性变换。权重网络层是根据资源类型、资源量和转化率的关联权重系数建立的,用于综合考虑多种资源因素对土壤侵蚀强度的影响。将核函数隐含网络层的输出与权重网络层的权重系数相结合。可以通过将特征向量与权重系数相乘或进行其他形式的融合操作来实现。融合核函数隐含网络层和权重网络层后,形成完整的设备-土壤侵蚀强度评估模型。该模型结合了特征增强和非线性变换的能力,以及多种资源因素对土壤侵蚀强度的影响。收集包含土壤侵蚀特征集和对应土壤侵蚀强度的训练数据。使用训练数据对设备-土壤侵蚀强度评估模型进行训练。训练过程中,通过调整模型的参数如核函数的参数、权重系数等来最小化预测误差。
进一步,本申请步骤三还包括:
对所述预设土地区域中的土壤进行分析,获取土壤特征相似性;
若所述预设土地区域中的土壤特征相似性小于预设相似性,对所述预设土地区域进行分区,得到多个预设子区域;
再输出所述多个预设子区域中每个子区域对应的土壤侵蚀子模型。
具体而言,对预设土地区域内的土壤进行采样,并收集相关的土壤数据,如土壤类型、质地、含水量、有机质含量等。基于收集的土壤数据,使用统计方法或机器学习算法计算不同位置土壤样本之间的相似性指标。可以通过计算土壤属性之间的相关性、距离度量如欧氏距离、马氏距离或相似性系数如皮尔逊相关系数、余弦相似度等来实现。根据实际情况,设定一个土壤特征相似性的阈值。这个阈值用于判断土壤特征是否足够相似,以决定是否需要对预设土地区域进行分区。将计算得到的土壤特征相似性与预设相似性阈值进行比较。如果相似性小于阈值,说明区域内土壤特征存在较大差异,需要进行分区。基于土壤特征相似性的分析结果,使用聚类分析、空间分割等方法将预设土地区域划分为多个子区域。每个子区域内的土壤特征应相对一致,以确保后续模型建立的准确性。对每个子区域分别建立土壤侵蚀模型。这可以通过收集子区域内的土壤侵蚀数据,结合相关的影响因素如气候、地形、植被等,构建土壤侵蚀子模型。对每个子区域的土壤侵蚀模型进行验证和优化,以确保模型能够准确反映该区域的土壤侵蚀情况。可以通过使用独立数据集进行模型验证、调整模型参数或采用其他优化方法来实现。
综上所述,本申请所提供的基于土地工程的土壤侵蚀智能监测预警方法具有如下技术效果:
通过获取土地工程的工程设备构件;根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。实现了对土地工程对土壤侵蚀风险的科学评估和管理。
实施例二:基于与前述实施例中基于土地工程的土壤侵蚀智能监测预警方法,同样发明构思,本申请还提供了基于土地工程的土壤侵蚀智能监测预警系统,请参阅附图2,所述系统包括:
设备构件获取模块11,所述设备构件获取模块11用于获取土地工程的工程设备构件;
指标样本采集模块12,所述指标样本采集模块12用于根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;
特征样本集获取模块13,所述特征样本集获取模块13用于获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;
侵蚀预警模块14,所述侵蚀预警模块14用于根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。
进一步,所述系统还包括可视化标识模块,所述可视化标识模块用于:
获取所述工程设备构件在所述预设土地区域的分布信息;
调用所述设备-土壤侵蚀强度评估模型对所述工程设备构件中的各个设备进行评估,得到各个工程设备的侵蚀强度算子;
按照所述分布信息对各个工程设备的侵蚀强度算子进行可视化标识,输出可视化标识结果。
进一步,所述系统还包括融合侵蚀强度算子输出模块,所述融合侵蚀强度算子输出模块用于:
通过对所述可视化标识结果进行散度分析,获取所述可视化标识结果的散度指标;
当所述散度指标大于等于预设散度指标,融合K个侵蚀强度算子,将所述K个侵蚀强度算子进行权重融合计算,输出融合侵蚀强度算子,其中,K为大于等于2的正整数;
将所述融合侵蚀强度算子作为所述土地工程的土壤侵蚀评估结果进行输出。
进一步,所述系统还包括惩罚优化模块,所述惩罚优化模块用于:
当所述散度指标小于所述预设散度指标,对所述可视化标识结果进行聚类,直至当前散度指标大于等于所述预设散度指标,输出N个聚类结果;
对所述N个聚类结果中的每一类聚类结果进行融合,获取N个候选侵蚀强度算子;
筛选所述N个候选侵蚀强度算子中大于预设侵蚀强度算子的M个聚类结果;
根据所述M个聚类结果设置M个侵蚀惩罚因子,利用M个惩罚因子对所述融合侵蚀强度算子进行惩罚优化。
进一步,所述系统中特征样本集获取模块13还用于:
根据所述耗费资源类型样本与侵蚀强度的关联性,建立资源类型-侵蚀强度的关联权重系数;
根据所述耗费资源量样本与侵蚀强度的关联性,建立资源量-侵蚀强度的关联权重系数;
根据所述资源弃料转化率样本与侵蚀强度的关联性,建立转化率-侵蚀强度的关联权重系数;
以所述资源类型-侵蚀强度的关联权重系数、所述资源量-侵蚀强度的关联权重系数和所述转化率-侵蚀强度的关联权重系数,建立权重网络层,基于所述权重网络层训练所述设备-土壤侵蚀强度评估模型。
进一步,所述系统还包括模型训练模块,所述模型训练模块用于:
建立核函数隐含网络层;
其中,所述核函数隐含网络层用于将所述土壤侵蚀特征集映射至标识土壤侵蚀强度的特征向量空间中进行特征增强;
根据所述核函数隐含网络层和所述权重网络层,训练所述设备-土壤侵蚀强度评估模型。
进一步,本申请侵蚀预警模块14还用于:
对所述预设土地区域中的土壤进行分析,获取土壤特征相似性;
若所述预设土地区域中的土壤特征相似性小于预设相似性,对所述预设土地区域进行分区,得到多个预设子区域;
再输出所述多个预设子区域中每个子区域对应的土壤侵蚀子模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的基于土地工程的土壤侵蚀智能监测预警方法和具体实例同样适用于本实施例的基于土地工程的土壤侵蚀智能监测预警系统,通过前述对基于土地工程的土壤侵蚀智能监测预警方法的详细描述,本领域技术人员可以清楚知道本实施例中基于土地工程的土壤侵蚀智能监测预警系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (8)
1.基于土地工程的土壤侵蚀智能监测预警方法,其特征在于,所述方法包括:
获取土地工程的工程设备构件;
根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;
获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;
根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述工程设备构件在所述预设土地区域的分布信息;
调用所述设备-土壤侵蚀强度评估模型对所述工程设备构件中的各个设备进行评估,得到各个工程设备的侵蚀强度算子;
按照所述分布信息对各个工程设备的侵蚀强度算子进行可视化标识,输出可视化标识结果。
3.如权利要求2所述的方法,其特征在于,所述输出可视化标识结果后,还包括:
通过对所述可视化标识结果进行散度分析,获取所述可视化标识结果的散度指标;
当所述散度指标大于等于预设散度指标,融合K个侵蚀强度算子,将所述K个侵蚀强度算子进行权重融合计算,输出融合侵蚀强度算子,其中,K为大于等于2的正整数;
将所述融合侵蚀强度算子作为所述土地工程的土壤侵蚀评估结果进行输出。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
当所述散度指标小于所述预设散度指标,对所述可视化标识结果进行聚类,直至当前散度指标大于等于所述预设散度指标,输出N个聚类结果;
对所述N个聚类结果中的每一类聚类结果进行融合,获取N个候选侵蚀强度算子;
筛选所述N个候选侵蚀强度算子中大于预设侵蚀强度算子的M个聚类结果;
根据所述M个聚类结果设置M个侵蚀惩罚因子,利用M个惩罚因子对所述融合侵蚀强度算子进行惩罚优化。
5.如权利要求1所述的方法,其特征在于,训练所述设备-土壤侵蚀强度评估模型,方法包括:
根据所述耗费资源类型样本与侵蚀强度的关联性,建立资源类型-侵蚀强度的关联权重系数;
根据所述耗费资源量样本与侵蚀强度的关联性,建立资源量-侵蚀强度的关联权重系数;
根据所述资源弃料转化率样本与侵蚀强度的关联性,建立转化率-侵蚀强度的关联权重系数;
以所述资源类型-侵蚀强度的关联权重系数、所述资源量-侵蚀强度的关联权重系数和所述转化率-侵蚀强度的关联权重系数,建立权重网络层,基于所述权重网络层训练所述设备-土壤侵蚀强度评估模型。
6.如权利要求5所述的方法,其特征在于,基于所述权重网络层训练所述设备-土壤侵蚀强度评估模型,还包括:
建立核函数隐含网络层;
其中,所述核函数隐含网络层用于将所述土壤侵蚀特征集映射至标识土壤侵蚀强度的特征向量空间中进行特征增强;
根据所述核函数隐含网络层和所述权重网络层,训练所述设备-土壤侵蚀强度评估模型。
7.如权利要求1所述的方法,其特征在于,所述利用有限元仿真技术输出土壤侵蚀模型,方法还包括:
对所述预设土地区域中的土壤进行分析,获取土壤特征相似性;
若所述预设土地区域中的土壤特征相似性小于预设相似性,对所述预设土地区域进行分区,得到多个预设子区域;
再输出所述多个预设子区域中每个子区域对应的土壤侵蚀子模型。
8.基于土地工程的土壤侵蚀智能监测预警系统,其特征在于,用于实施权利要求1至7中任意一项所述方法的步骤,所述系统包括:
设备构件获取模块,所述设备构件获取模块用于获取土地工程的工程设备构件;
指标样本采集模块,所述指标样本采集模块用于根据所述工程设备构件采集各个工程设备的资源监测指标样本,其中,所述资源监测指标样本包括各个工程设备的耗费资源类型样本、耗费资源量样本以及资源弃料转化率样本;
特征样本集获取模块,所述特征样本集获取模块用于获取所述土地工程所属项目的预设土地区域,并对所述预设土地区域的土壤数据进行监测,利用有限元仿真技术输出土壤侵蚀模型,再将所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本输入所述土壤侵蚀模型中进行分析,得到土壤侵蚀特征样本集;
侵蚀预警模块,所述侵蚀预警模块用于根据所述耗费资源类型样本、所述耗费资源量样本以及所述资源弃料转化率样本和所述土壤侵蚀特征集,以及标识土壤侵蚀强度的标识信息,训练设备-土壤侵蚀强度评估模型,利用所述设备-土壤侵蚀强度评估模型对所述土地工程进行侵蚀预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294608.3A CN117952321B (zh) | 2024-03-15 | 2024-03-15 | 基于土地工程的土壤侵蚀智能监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410294608.3A CN117952321B (zh) | 2024-03-15 | 2024-03-15 | 基于土地工程的土壤侵蚀智能监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117952321A true CN117952321A (zh) | 2024-04-30 |
CN117952321B CN117952321B (zh) | 2024-06-07 |
Family
ID=90798365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410294608.3A Active CN117952321B (zh) | 2024-03-15 | 2024-03-15 | 基于土地工程的土壤侵蚀智能监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952321B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1160944A1 (ru) * | 1984-01-13 | 1985-06-15 | Научно-Исследовательский Ордена Трудового Красного Знамени Институт Сельского Хозяйства Юго-Востока | Установка дл моделировани снегота ни и эрозии почв |
US20020162908A1 (en) * | 2001-05-03 | 2002-11-07 | Parod Richard W. | Mobile irrigation machine with underground water application |
CN104699962A (zh) * | 2015-02-14 | 2015-06-10 | 广东省生态环境与土壤研究所 | 一种土壤侵蚀模数计算方法 |
KR20160085990A (ko) * | 2015-01-08 | 2016-07-19 | 강릉원주대학교산학협력단 | 토양침식 실험장치 |
CN106545068A (zh) * | 2016-11-25 | 2017-03-29 | 广东中联兴环保科技有限公司 | 一种离子型稀土矿原地浸出法采矿迹地的土壤水力侵蚀控制的方法 |
CN214503621U (zh) * | 2021-04-07 | 2021-10-26 | 中国科学院地理科学与资源研究所 | 一种城市土壤侵蚀预测模型 |
CN114154401A (zh) * | 2021-11-16 | 2022-03-08 | 华中师范大学 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
KR20220105797A (ko) * | 2021-01-21 | 2022-07-28 | 공주대학교 산학협력단 | 표토환경 변화 예측 모형을 활용하여 토양유실량을 예측하는 장치 및 그 방법 |
CN114840979A (zh) * | 2022-04-08 | 2022-08-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于模拟仿真技术的边坡水土流失量预测方法及系统 |
CN117517619A (zh) * | 2023-11-20 | 2024-02-06 | 内蒙古自治区林业科学研究院 | 一种人工林地植被承载力评价方法 |
CN117648793A (zh) * | 2023-10-26 | 2024-03-05 | 四川大学 | 基于rusle模型的流域土壤侵蚀分析系统 |
-
2024
- 2024-03-15 CN CN202410294608.3A patent/CN117952321B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1160944A1 (ru) * | 1984-01-13 | 1985-06-15 | Научно-Исследовательский Ордена Трудового Красного Знамени Институт Сельского Хозяйства Юго-Востока | Установка дл моделировани снегота ни и эрозии почв |
US20020162908A1 (en) * | 2001-05-03 | 2002-11-07 | Parod Richard W. | Mobile irrigation machine with underground water application |
KR20160085990A (ko) * | 2015-01-08 | 2016-07-19 | 강릉원주대학교산학협력단 | 토양침식 실험장치 |
CN104699962A (zh) * | 2015-02-14 | 2015-06-10 | 广东省生态环境与土壤研究所 | 一种土壤侵蚀模数计算方法 |
CN106545068A (zh) * | 2016-11-25 | 2017-03-29 | 广东中联兴环保科技有限公司 | 一种离子型稀土矿原地浸出法采矿迹地的土壤水力侵蚀控制的方法 |
KR20220105797A (ko) * | 2021-01-21 | 2022-07-28 | 공주대학교 산학협력단 | 표토환경 변화 예측 모형을 활용하여 토양유실량을 예측하는 장치 및 그 방법 |
CN214503621U (zh) * | 2021-04-07 | 2021-10-26 | 中国科学院地理科学与资源研究所 | 一种城市土壤侵蚀预测模型 |
CN114154401A (zh) * | 2021-11-16 | 2022-03-08 | 华中师范大学 | 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统 |
CN114840979A (zh) * | 2022-04-08 | 2022-08-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于模拟仿真技术的边坡水土流失量预测方法及系统 |
CN117648793A (zh) * | 2023-10-26 | 2024-03-05 | 四川大学 | 基于rusle模型的流域土壤侵蚀分析系统 |
CN117517619A (zh) * | 2023-11-20 | 2024-02-06 | 内蒙古自治区林业科学研究院 | 一种人工林地植被承载力评价方法 |
Non-Patent Citations (1)
Title |
---|
赵宇;陈晓燕;米宏星;莫斌;: "基于体积法对黄土细沟侵蚀沿程分布模拟的研究", 土壤学报, no. 06, 30 November 2014 (2014-11-30), pages 1234 - 1240 * |
Also Published As
Publication number | Publication date |
---|---|
CN117952321B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866974B (zh) | 一种基于三维展示的水工监测系统 | |
CN117152893B (zh) | 一种森林防灾方法及系统 | |
CN102982081A (zh) | 道路交通安全隐患路段甄别方法和系统 | |
Zayed et al. | Quantitative assessment for piles productivity factors | |
Wang et al. | Data-driven risk assessment on urban pipeline network based on a cluster model | |
Zambon et al. | Statistical road classification applied to stratified spatial sampling of road traffic noise in urban areas | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN117271683A (zh) | 一种测绘数据的智能分析评价方法 | |
CN104764868A (zh) | 一种基于地理加权回归的土壤有机碳预测方法 | |
CN111539904A (zh) | 一种基于降雨量的灾害易发性预测方法 | |
Kavusi et al. | Optimal design of groundwater monitoring network using the combined Election-Kriging method | |
Fakher et al. | New insights into development of an environmental–economic model based on a composite environmental quality index: a comparative analysis of economic growth and environmental quality trend | |
CN117235524A (zh) | 自动估值模型的学习训练平台 | |
CN117809439A (zh) | 一种基于多种环境因素中河流流量异常预警系统 | |
Oshan et al. | A scoping review on the multiplicity of scale in spatial analysis | |
CN117422938B (zh) | 基于三维分析平台的坝坡混凝土结构异常分析方法 | |
CN116451900B (zh) | 基于一张图工程的国土空间精细化管理方法及系统 | |
CN117952321B (zh) | 基于土地工程的土壤侵蚀智能监测预警方法及系统 | |
CN107093018A (zh) | 基于健康模型的电信工程项目信息可视化方法及装置 | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
CN211236974U (zh) | 一种基于三维展示的水工监测系统 | |
Pouri et al. | Spatial analysis and failure management in water distribution networks using fuzzy inference system | |
Li et al. | Domain knowledge in predictive maintenance for water pipe failures | |
Darvishi Salookolaei et al. | Application of grey system theory in rainfall estimation | |
Matarazzo | Rough set applied to air pollution: A new approach to manage pollutions in high risk rate industrial areas |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |